Nature登文——一款自动化科学发现的多智能体系统

一款2014年上市的青光眼眼药水，被一套三Agent系统改写成了治失明的新药

📌 先讲清楚 Robin不是一个单一的模型，它是一套4阶段、3 Agent的pipeline。它的真正价值不在AI做出了发现，而在三个工程决策，pairwise + Elo替代LLM-as-judge、Jupyter kernel作为tool接口、Falcon-Crow分工的两类RAG。这三件事的可迁移性远比Ripasudil本身重要。

按理说一款2014年在日本上市、原本只用来治青光眼的眼药水，不该在2026年的Nature上被重新讲一次。

但5月19日Nature挂出来的这篇论文里，FutureHouse的Robin系统就把这件事干成了。Robin盯上的是干性年龄相关性黄斑变性（dAMD），全球约2亿患者，目前没有任何能恢复视力的药。它给出的答案是 Ripasudil，一种ROCK激酶抑制剂，2014年在日本以青光眼药物Glanatec名义上市，从未有任何文献提过它能治dAMD。

真正的看头在Robin这套系统的工程选型，特别是它怎么把 读文献+生成假设+排序+实验设计+数据分析 这条本来由人类博士后串起来的工作流，拆解成三个分工明确的Agent，再用一个非平凡的排序算法把质量稳住。

🧭 Robin的总体架构

Robin是一个 4阶段编排系统，三个领域Agent加一个Orchestrator，三个Agent通过 LiteLLM 接入多模型后端，主用 GPT-4o，部分综述任务用 Claude 3.5 Sonnet。

四阶段不是单向流水线，Stage 4跑完一轮实验，数据回灌到Stage 1的hypothesis pool，整个loop多轮迭代。Robin端到端跑一次发现周期约 2.5个月，Stage 1+2这个核心子任务跑了 2小时，论文Extended Data里给出的人类博士后等价工作量是 937小时。

💡 工程要点 Robin的端到端时长卡在湿实验环节而不是Agent推理。Agent部分的wall-clock是分钟级到小时级，实验执行才是周级到月级。这个比例决定了未来短期内Robin类系统的迭代速度上限不在算力，在湿实验自动化。

🦅 Crow vs Falcon, 两个文献Agent的设计动机

很多人会觉得同时挂Crow和Falcon是冗余，实际上这是FutureHouse在 PaperQA2 上做的明确分工，处理两类截然不同的检索负载。

两个Agent底层共用PaperQA2，调度的tool和prompt完全不同。PaperQA2自身的工具集是 Search Papers、Gather Evidence、Generate Answer 三件套。

Falcon的关键不在retrieval本身，在它把Gather Evidence设计成可反复触发，每轮根据证据池的gap自动重写query，是一个agentic loop而不是单次RAG。Crow把整个loop压在2到3轮以内，控制延迟。

⚖️ 排序算法, 为什么Robin选了pairwise + Elo

这一段是整篇论文里对AI工程师最有借鉴意义的部分。

Robin在Stage 1结束后会拿到一个 100到200条的candidate strategies池。要从中选出top-N给后续阶段，最直觉的做法是 LLM-as-judge打分，每条让模型给一个1到10的得分。Robin开发过程中早期版本试过这个方案，结论是不可用。

原因有两个。

⚠️ LLM-as-judge的两个硬伤

1. 1. 校准失败，LLM对绝对分数的校准能力极差，同一条假设跑10次能拿到3到9分的差异。
2. 2. 位置污染，分数受prompt里其他候选项的顺序影响，position bias明显。

Robin选的是 pairwise comparison + Elo ranking。每两条假设拿出来让GPT-4o做一次「哪个更有希望」的判断，每场记录胜负，最后把胜负序列转成Elo分数。这套思路borrowed自Chatbot Arena的人类偏好评测。

工程上做了两个优化。

🎯 优化一：Swiss-system tournament pairwise的全排列是 O(N²)，200条假设要做19900场比较不可接受。Robin用Swiss-system tournament，每轮按当前Elo做匹配，跑8到10轮就能稳定top-N，比较次数压到 约2000场。

🎯 优化二：3-run majority voting 每场比较跑3次取多数，缓解GPT-4o自身的非确定性。

💡

可迁移性

这个设计的隐含假设是「成对偏好比绝对评分更稳」，跟RLHF同构。Robin论文里没特别强调，但这是整套系统能稳定输出的关键。换成LLM-as-judge打绝对分，同样的pipeline跑出来Ripasudil不一定能进top-10。

🐦 Finch, 把Jupyter当tool calling接口

Finch是三个Agent里架构最特殊的，它的执行环境就是一个 Jupyter内核。

主流的代码执行Agent（OpenAI Code Interpreter、Claude Code、Devin）都用 sandbox + bash + Python 这套组合。Robin Finch的差异在把Jupyter notebook的cell执行模型直接暴露给LLM，每个tool call对应一个cell，cell之间共享kernel state。

这个选择带来三个好处。

Finch的tool call schema大致长这样。

1
2
3
4
5

{
    "tool": "execute_cell",
    "code": "df = pd.read_csv('rpe_phagocytosis.csv')\nprint(df.describe())",
    "expected_outputs": ["dataframe summary", "potential issues"]
}

Finch执行后把stdout、错误、图像base64塞回context，模型基于这些决定下一步是画图、跑t-test还是建议新实验。论文Extended Data里一个完整Finch trace有 43个cell，从加载bulk RNA-seq数据一路跑到火山图+GO富集分析+下一轮experimental design，全程没有人工介入。

🧪 Stage 4的实验设计自动化

Stage 3挑出Ripasudil之后，Stage 4要回答两个问题，用什么in vitro model验证、用什么实验终点。

Robin的in vitro model selection逻辑是Falcon先做综述，列出dAMD研究里常用的模型（iPSC-RPE、ARPE-19、原代猪RPE、小鼠模型），再让Finch按可获得性、文献成熟度、与人类生理相关性三个维度打分，最后选 iPSC-RPE。

实验终点的选择更精彩。Robin从假设链反推：

🔗 假设链 ROCK抑制剂改善RPE细胞骨架重组 → 恢复吞噬功能 → 减缓drusen沉积

确定核心终点是「RPE对外节膜盘碎片的吞噬效率」，对应的标准assay是 pHrodo-labeled photoreceptor outer segment phagocytosis。

实验做完之后，Finch直接接管RNA-seq数据。Robin报告Ripasudil处理组中 ARHGEF18、ABCA1 等多个细胞骨架和脂质转运相关基因显著上调，吻合ROCK抑制释放actin cytoskeleton重组的预期机制。整个 from-data-to-mechanism 的解释链条由Finch自动产出。

🆚 与同类系统对比

把Robin放到2024到2026年这一波AI for science工作里横向比，差异主要在三个维度。

Robin的工程胜负手有三个。

1️⃣ pipeline结构化 而不是agent debate，可调试可复现。 2️⃣ pairwise + Elo的排序算法 回避了LLM绝对评分不可靠的硬伤。 3️⃣ drug repurposing任务设计 给了Robin一个相对窄的搜索空间（已批准化合物约2000个），让Stage 3的compound screening可解。

📅 同期对照 5月19日Nature连发Robin、Carl（Lila Sciences）、Coscientist（CMU）三篇AI scientist论文，Robin是其中唯一一个在末端给出可直接进入临床的候选药。

🐛 失败模式与自检机制

论文里没回避失败模式，开发过程中累积的可复现错误大致分三类。

❌ 错误类型1, 文献幻觉 Falcon写综述时偶尔生成不存在的paper title。 兜底机制：Crow做交叉验证，每条引用都被强制要求能在 PubMed 或 Semantic Scholar API 里命中真实record，不命中即丢弃。

❌ 错误类型2, 统计错误 Finch跑t-test或多重比较时出过p值计算错误。 兜底机制：Finch内部的double-pass，第二次跑用不同的代码路径（例如 scipy.stats vs statsmodels）做cross-check，结果不一致触发人类审核。

❌ 错误类型3, 排序污染 pairwise比较时GPT-4o偶尔会被假设里的「热门关键词」（例如mTOR、senolytic）系统性偏好。 兜底机制：blind comparison，把假设里的具体药名和明星基因替换成代号再做比较，降低偏好bias。

这三类自检都不是100%可靠，论文明确指出Robin不能脱离人类终审，特别是涉及临床推荐的关键节点。

🇨🇳 落到产业侧

🧬 AI药企 英矽智能、晶泰、剂泰这一批AI药企过去两年的工作主要在分子生成和靶点预测，pipeline覆盖度跟Robin的「问题立项→候选→实验→机制」全链条还有差距。Robin代码已开源在 Future-House/robin，PaperQA2更早开源，国内复现+本土化适配的窗口期就在未来12个月。

🔬 CRO行业 中后台知识工作（文献综述、experimental design、bioinformatics分析）被自动化是确定的，倒过来纯湿实验执行能力会更值钱。药明康德这种重资产做湿实验和动物模型的公司护城河变深，做CRO informatics的中小公司压力会大。

🤖 国产基座模型 Robin这套pipeline对tool calling稳定性、长context连贯性、code执行精准性的要求都很高。Qwen3.7-Max和DeepSeek-R1目前在Berkeley Function Calling Leaderboard上跟GPT-4o还有差距，要支撑Robin级别的pipeline需要专门做science domain的SFT。

❓ 几个还没看清楚的点

🔍 复现成本 论文给的「2小时vs937小时」对照里人类组工作流细节没完全交代，第三方独立团队跑Robin的成功率与算力成本（论文未披露完整token账单）目前没有可靠数据。

🔍 临床有效性 Ripasudil在iPSC-RPE上的吞噬恢复是体外结果，从体外到III期临床历史成功率不到10%。从Robin给出假设到Ripasudil能不能真治dAMD，至少3到5年。

🔍 方法学迁移 dAMD是「文献厚、机制相对收敛、候选化合物可枚举」的Robin友好型问题。换到罕见病、新机制疾病、未知靶点场景，Robin的Stage 1 hypothesis pool质量会显著退化，pairwise排序也会因为信号稀疏失效。

🔍 合理但错误的因果链 Robin的兜底机制能抓事实性幻觉，但抓不住「证据链每一步都成立、整体推论错误」的case。这一类错误在医药领域代价极高，目前没有公开可用的检测方法。

✍️ 写在最后

🎯 真正的takeaway Robin不是一个具体药物的故事，是一个 pipeline工程模板。 把 pairwise + Elo替代LLM-as-judge、Jupyter kernel作为tool接口、Falcon-Crow分工的两类RAG 这三个工程决策抽出来，可以套用到任何「文献密集 + 假设排序 + 实验闭环」的科学发现领域。

我自己最关注的是Stage 2那个pairwise + Elo设计，这套思路同样适用于推荐系统的策略选择、AI产品的多方案评测、code review的自动化排序。Robin把它从评测领域搬到科研pipeline，这件事的可迁移性比Ripasudil本身更值得注意。

📚 References

1. 1. Ghareeb, A. et al., A multi-agent system for automating scientific discovery, Nature, 2026-05-19, https://www.nature.com/articles/s41586-026-10652-y
2. 2. arXiv preprint, Robin: A Multi-Agent System for Automating Scientific Discovery, 2025-05-20, https://arxiv.org/abs/2505.13400
3. 3. FutureHouse官方研究公告, https://www.futurehouse.org/research-announcements/demonstrating-end-to-end-scientific-discovery-with-robin-a-multi-agent-system
4. 4. PaperQA2开源仓库, https://github.com/future-house/paper-qa
5. 5. Robin开源仓库, https://github.com/Future-House/robin
6. 6. Skarlinski et al., Language agents achieve superhuman synthesis of scientific knowledge, FutureHouse PaperQA2论文, 2024
7. 7. Sakana AI, The AI Scientist论文与代码, https://github.com/SakanaAI/AI-Scientist
8. 8. DeepMind, Towards an AI Co-Scientist, https://deepmind.google/discover/blog/co-scientist
9. 9. Swanson et al., The Virtual Lab of AI Agents, Stanford, 2025
10. 10. Chatbot Arena, pairwise preference + Elo ranking方法论, https://lmarena.ai
11. 11. NIH National Eye Institute, dAMD流行病学数据, https://www.nei.nih.gov/learn-about-eye-health/eye-conditions-and-diseases/age-related-macular-degeneration
12. 12. Apellis Pharmaceuticals, Pegcetacoplan（Syfovre）dAMD治疗数据
13. 13. Kowa Pharmaceutical, Ripasudil（Glanatec）2014年日本上市信息, https://www.pmda.go.jp
14. 14. Berkeley Function Calling Leaderboard, https://gorilla.cs.berkeley.edu/leaderboard.html
15. 15. The Scientist, An AI-Powered Scientist Proposes a Treatment for Blindness, https://www.the-scientist.com/an-ai-powered-scientist-proposes-a-treatment-for-blindness-73079